一种基于支持向量机的脑电放松度识别方法及装置与流程

本发明涉及放松治疗领域，尤其涉及一种基于支持向量机的脑电放松度识别方法及装置。

背景技术：

放松训练是行为疗法中使用最广的技术之一，是在心理学实验的基础上建立和发展起来的咨询和治疗方法，其在治疗焦虑抑郁症、神经性头痛、失眠、高血压病，减轻更年期综合征和转变不良行为模式等方面取得了较好的疗效。

现有的放松训练主要有录音指导、口头指导和生物反馈指导。其中，录音指导方法僵化、没有变化，无法根据受训者的状态变化内容；口头指导则要求对口头指导的对象要求很高，且受到时间、场地限制；生物反馈指导以脑电反馈为主，能够结合前两种方式的优点，因而受到广泛关注。

进行生物反馈指导需要识别用户的放松度，而计算放松度首先需要从用户的脑电信号中提取各个频段的脑电波(包括delta、theta、alpha、beta、gamma波)，再提取各个脑电波的特征，将这些特征输入到分类器进行分类识别。

现有的分类识别方法中，多采用单一的分类器对特征进行简单的二分类，这导致脑电放松度的识别稳定性不高，例如，容易受到外界环境的干扰或用户的生理波动的影响；而且，二分类无法实现放松度的更细致的分类，进而不能提供最有效的生物反馈指导。

技术实现要素：

针对上述问题，本发明的目的在于提供一种基于支持向量机的脑电放松度识别方法及装置，可提高对脑电放松度识别的稳定性和准确率。

本发明提供了一种基于支持向量机的脑电放松度识别方法，包括如下步骤：

获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波；

对所述信号波进行特征提取，获取每个所述信号波的特征量；

基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到；

对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值；

根据所述最终分类值识别得到当前的脑电放松度。

优选地，所述参数寻优算法包括：结合留一法与网格搜索算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法；且所述支持向量机进行训练时使用的训练样本对由计算得到的所述特征量和标准设备同步采集得到的脑电放松度构成。

优选地，所述获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波具体为：

获取当前的脑电切片信号，并利用小波变换从所述脑电切片信号中提取出对应于各个脑电波的信号波；或

获取当前的脑电切片信号，并利用卡尔曼滤波从所述脑电切片信号中提取出对应于各个脑电波的信号波；或

获取当前的脑电切片信号，并利用自回归模型从所述脑电切片信号中提取出对应于各个脑电波的信号波。

优选地，所述对应于各个脑电波的信号波的特征量至少包括以下其中之一：对应于各个脑电波的信号波在时域空间的特征量、对应于各个脑电波的信号波在相空间的特征量、对应于各个脑电波的信号波在频域空间的特征量。

优选地，在所述计算对应于各个脑电波的信号波的特征量之后，在所述将计算得到的所述特征量输入到至少两个训练好的支持向量机中，得到所述脑电切片信号在各个支持向量机下的分类值之前，还包括：

结合方差分析和f检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量。

优选地，所述结合方差分析和f检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量具体包括：

根据所述特征量、由标准设备同步采集得到的脑电放松度及预先拟合的与每个特征量对应的线性拟合曲线进行方差分析，计算得到每个特征量的拟合值与期望的平方和及原值与拟合值的平方和；

根据拟合值与期望的平方和、原值与拟合值的平方和及自由度，计算得到每个特征量的显著性指标；

根据每个特征量的显著性指标，选取出显著性指标大于预设阈值的特征量。

本发明还提供了一种基于支持向量机的脑电放松度识别装置，包括：

信号提取单元，用于获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波；

特征量提取单元，用于对所述信号波进行特征提取，获取每个所述信号波的特征量；

分类单元，用于基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到；

最终分类值计算单元，用于对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值；

脑电放松度识别单元，用于根据所述最终分类值识别得到当前的脑电放松度。

优选地，所述参数寻优算法包括：结合留一法与网格搜索算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法；且所述支持向量机进行训练时使用的训练样本对由计算得到的所述特征量和标准设备同步采集得到的脑电放松度构成。

优选地，所述对应于各个脑电波的信号波的特征量至少包括以下其中之一：对应于各个脑电波的信号波在时域空间的特征量、对应于各个脑电波的信号波在相空间的特征量、对应于各个脑电波的信号波在频域空间的特征量。

优选地，还包括：

特征选取单元，用于结合方差分析和f检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量。

本发明提供的基于支持向量机的脑电放松度识别方法及装置，通过从脑电切片信号中提取特征量，并由至少两个支持向量机作为分类器对这些特征量进行识别，根据各个支持向量机下识别得到的分类值获得所述脑电切片信号的最终分类值，从而识别得到所述脑电切片信号的脑电放松度。本发明相对于由单一分类器识别得到的脑电放松度，稳定性更高，避免因外界环境的干扰或用户的生理波动对脑电放松度的识别结果，为生物反馈指导反馈治疗提供更准确的依据。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于支持向量机的脑电放松度识别方法的流程示意图。

图2是本发明实施例提供的svm的最优超平面分类的示意图。

图3是本发明实施例提供的svm高维映射的示意图。

图4是本发明实施例提供的网格搜索参数选择结果的等高线图。

图5是本发明实施例提供的网格搜索参数选择结果的3d图。

图6是本发明实施例提供的遗传算法的参数选择结果图。

图7是本发明实施例提供的粒子群算法的参数选择结果图。

图8是本发明实施例提供的通过切片得到脑电切片信号的示意图。

图9是本发明实施例提供的对原始脑电信号进行加权移动平均计算的原理图。

图10是本发明实施例提供的自适应滤波器的工作原理图。

图11是对脑电切片信号进行切片得到脑电切片信号的示意图。

图12是本发明实施例提供的基于支持向量机的脑电放松度识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供了一种基于支持向量机的脑电放松度识别方法，其可包括如下步骤：

s101，获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波。

在本发明实施例中，所述的各个脑电波可包括delta波、theta波、alpha波、beta波、gamma波。其中，一般地，delta波的频率范围为0.5～3hz，theta波的频率范围为3～7hz，alpha波的频率范围为8～13hz，beta波的频率范围为14～17hz，gamma波的频率范围为34～50hz。

其中，delta波：深度睡眠脑波状态。

当人的大脑频率处于delta波时，为深度睡眠、无意识状态。人的睡眠品质好坏与delta波有非常直接的关系。delta波睡眠是一种很深沉的睡眠状态，如果在辗转难眠时自己召唤出近似delta波状态，就能很快地摆脱失眠而进入深沉睡眠。

theta波：深度放松、无压力的潜意识状态。

当人的大脑频率处于theta波时，人的意识中断，身体深沉放松，对于外界的信息呈现高度的受暗示状态，即被催眠状态。theta波对于触发深沉记忆、强化长期记忆等帮助极大，所以theta波被称为"通往记忆与学习的闸门"。

alpha波：学习与思考的最佳脑波状态。

当人的大脑频率处于alpha波时，人的意识清醒，但身体却是放松的，它提供意识与潜意识的“桥梁”。在这种状态下，身心能量耗费最少，相对的脑部获得的能量较高，运作就会更加快速、顺畅、敏锐。alpha波被认为是人们学习与思考的最佳脑波状态。

beta波：紧张、压力、脑疲劳时的脑波状态。

人们清醒时，大部分时间大脑频率处于beta波状态。随着beta波的增加，身体逐渐呈紧张状态，因而削减了体内免疫系统能力，此时人的能量消耗加剧，容易疲倦，若不充分休息，容易堆积压力。适当的beta波对注意力提升以及认知行为的发展有积极作用。

在本发明实施例中，当人的大脑处于不同的放松度时，各个脑电波具有不同的比重或者幅值，因此可通过对所述脑电切片信号中的各个脑电波进行分离分析来获得人的大脑当前所处的脑电放松度。

在本发明实施例中，在获得所述脑电切片信号后，可根据每个脑电波的频率范围通过滤波(如卡尔曼滤波)、小波变换或者自回归模型等提取算法从所述脑电切片信号中提取出对应于各个脑电波的信号波。其中，提取时可仅用一个算法提取得到对应于各个脑电波的信号波，也可同时通过多个算法进行提取，再对不同算法提取得到的结果进行加权求和，得到最终的信号波。利用多个提取算法进行信号波的提取，可避免单一算法提取出现的误差偏大或稳定性不高的问题。

s102，对所述信号波进行特征提取，获取每个所述信号波的特征量。

在本发明实施例中，所述对应于各个脑电波的信号波的特征量至少包括以下其中之一：对应于各个脑电波的信号波在时域空间的特征量、对应于各个脑电波的信号波在相空间的特征量、对应于各个脑电波的信号波在频域空间的特征量。

其中，对于信号波在时域空间的特征量可采用如下方法计算得到：

首先，针对一个脑电切片信号内的数据，计算切片内的总点数n。

然后，通过全部切片自学习得到幅度阈值fmax，其为经验参数。

其次，找到切片内各秒中幅度小于幅度阈值fmax并且幅度绝对值最大的点，计算这些点幅度的平均值ampmaxaverrage。

接着，统计幅度值在(-ampmaxaverrage×k，+ampmaxaverrage×k)区间的点的数目ampnum，其中k为经验值，例如可选取0.4。

最后，计算幅度概率密度amppd，如公式1所示。

在本发明实施例中，分别计算得到每个信号波(delta、theta、alpha、beta、gamma波)的幅度概率密度amppdp1～amppdp5；按照同样的方法可以计算脑电切片信号的幅度概率密度amppdeeg，即得到所述脑电切片信号在时域空间的特征量。

需要说明的是，在本发明实施例中，还可使用其他计算各个信号波的时域特征，如计算各个信号波的能量变化率、能量密度变化率、等电位线能量变化率、等电位线能量密度变化率、等电位线时长、幅度概率密度等，这些时域特征及其任意组合都在本发明的保护范围之内，在此不做赘述。

在本发明实施例中，对于信号波在相空间的特征量可采用如下方法计算得到：

首先，根据所述各个脑电波的信号波及脑电切片信号形成对应的包含有信号的二维图表。

其中，二维图表的横坐标为时间，纵坐标为信号的幅值。

然后，用与二维图表等大小的m*m的网格对应覆盖在各个二维图表上，并统计覆盖有信号的网格数。

其中，m为大于1的整数，且m的取值由信号的长度决定。

最后，根据覆盖有信号的网格数与所述网格的全部网格数，计算各个信号波及脑电切片信号的相空间分布密度，获得脑电切片信号在相空间的特征量。

即，相空间分布密度＝md/m²。其中，md为覆盖有信号的网格数。

在本发明实施例中，在得到各个信号波及所述脑电切片信号的相空间分布密度后，就得到了所述脑电切片信号在相空间的特征量。

在本发明实施例中，对于信号波在频域空间的特征量可采用如下方法计算得到：

在一个实现方式中，可通过能量密度比率算法提取各个脑电波的信号波的频域特征，获得所述脑电切片信号在频域空间的特征量。

具体地：

首先，计算与各个脑电波对应的信号波的能量。

其中，各个信号波的能量函数公式如下：

ω＝2πf(3)

然后，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述脑电切片信号在频域空间的特征量。

以计算alpha和delta的能量比率为例，如公式4所示。

在本发明实施例中，以此类推，通过计算两两信号波之间的能量比率，就获得所述脑电切片信号在频域空间的特征量。

在一个实现方式中，可通过频率均方根算法提取各个信号波的频率均方根，得到所述脑电切片信号在频域空间的特征量。

具体地：

首先，计算与各个脑电波对应的信号波的能量。

然后，根据各个信号波的能量及各个脑电波的频率范围，计算各个信号波的频率均方根，获得所述脑电切片信号在频域空间的特征量。

如公式5所示，频率均方根fc：

其中，fh为对应的脑电波的上限频率，fl为对应的脑电波的下限频率，例如delta波的上限频率为3hz，下限频率为0.5hz。

在本发明实施例中，依次计算各个信号波的频率均方根，就得到所述脑电切片信号在频域空间的特征量。

s103，基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到。

s104，对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值。

s105，根据所述最终分类值识别得到当前的脑电放松度。

在本发明实施例中，在得到所述特征量后，将其输入到训练好的至少两个支持向量机(supportvectormachine，svm)内，对所述特征量进行分类，识别得到与所述脑电切片信号对应的脑电放松度。

具体地，支持向量机的基本思想是在样本空间或特征空间中构造出最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。

如图2所示，下面将介绍svm的原理。

首先，针对给定二分类样本对{(xi，yi)，xi∈rn，yi＝±1}(以此类推五分类样本对为{(xi，yi)，xi∈rn，yi＝1,2,3,4,5})，xi为训练样本，x为待判决样本。训练样本集为线性不可分时，需引入非负松驰变量αi，i＝1,2，......，l；分类超平面的优化问题转化为公式6所示。其中，2/||w||表示分类间隔，使分类间隔最大等价于使||w||²最小。使||w||²最小的分类就成为最优分类面。c为误差惩罚参数，是svm中最重要的可调参数之一。

其次，选取径向基(radialbasisfunction，rbf)核函数，如公式7所示。其中γ为rbf核函数的宽度，是svm中另一个重要的可调参数。

kx,xi＝exp(-γ*||x-xi||²)(7)

最后，应用核函数技术，将输入空间中的非线性问题，通过函数映射到高维特征空间中，在高维空间中构造线性判别函数，求解最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力，如图3所示。

在本发明实施例中，构造好svm后，就可以进行训练。具体地，将提取得到的特征量作为训练svm的输入样本x，将标准设备(如神念设备)同步采集得到的放松度作为金标准，也就是svm的输出y。(x，y)共同组成svm的训练样本对，进行svm训练。在训练好svm后，即可利用该svm进行分类，从而实现脑电放松度的分类识别。

需要说明的是，svm的分类性能受到诸多因素影响，其中误差惩罚参数c和rbf核函数的宽度γ两个因素最为关键。c为误差惩罚参数，是svm中最重要的可调参数之一，表示对错分样本比例和算法复杂度折衷，即在确定的特征子空间中调节学习机器置信范围和经验风险比例，使学习机器的推广能力最好。核函数及参数的选择也直接影响到svm分类好坏。

在本发明实施例中，不同的支持向量机的误差惩罚参数和核函数的宽度参数可由不同的参数寻优算法进行优化得到。

其中，优选地，所述参数寻优算法包括：结合留一法与网格搜索算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法。

(1)结合留一法与网格搜索算法

其中，留一法原理如下：将训练数据集(即特征量)分成用n－1个数据(n为训练数据集大小)训练，而用另一个数据测试。重复n次，根据n次迭代后得到的均方误差平均值来估计期望泛化误差，最后选择一组最优的参数。适用于样本量很少的情况下，可以解决样本少导致的训练参数不是最优的问题。

网格搜索算法原理如下：将c设置在[c1，c2]区间内，即c∈[c1，c2]，变化步长为cs，而γ设置在[γ1,γ2]区间内，即γ∈[γ1,γ2]，变化步长为γs。示例c∈[2^-10，2¹⁰]，cs＝2，γ∈[2^-10，2¹⁰]，γs＝2。针对每对参数(c，γ)进行训练，取效果最好的一对参数作为模型参数，参数寻优效果如图4和图5所示。

结合留一法与网格搜索算法进行参数寻优的步骤如下：

step1：依据网格搜索法初步设定参数变化范围，针对参数不同组合运用留一法求得分类正确率。

step2：根据前述参数范围进一步细分网格，得到更精确的参数值，根据留一法平均正确率排序，选择分类正确率最高的参数组合作为模型的最优参数。

step3：将数据重新分成训练集与测试集，利用最优化参数模型训练模型，利用测试数据测试模型性能。

step4：基于训练样本对和训练得到的模型的最优参数，得到训练好的svm最优分类模型。

(2)结合交叉验证法与遗传算法

其中，k折交叉验证法(k-crossvalidation)原理如下：将训练数据集(即特征量)分成k份相等的子集，每次将其中k－1份数据作为训练数据，而将另外一份数据作为测试数据。重复k次，根据k次迭代后得到的均方误差平均值来估计期望泛化误差，最后选择一组最优的参数。

遗传算法原理如下：首先，确定编码方式，由于待优化的参数只有两个,数量较小,选择采用二进制编码方式；其次，确定参数的定义区间。c∈[c1，c2]，γ∈[γ1，γ2]，例如c∈[0，10000]，γ∈[0，1000]，通常具体问题具体分析，通过遗传算法在区间内找到一个恰当的值；最后，适应度准则。利用在测试样本上的均方误差来衡量个体的优劣,均方误差越小的个体性能越优异。取效果最好的一对参数作为模型参数，参数寻优效果示意图如图6所示。遗传算法可以在更短的时间内以更高的精度进行寻优，是解决支持向量机参数选择问题的最佳选择之一。

结合交叉验证法与遗传算法进行参数寻优的步骤如下：

step1：依据遗传算法进行参数寻优，针对参数不同组合运用交叉验证求得分类正确率。

step2：根据前述参数范围调整遗传算法参数，得到更精确的参数值，根据交叉验证平均正确率排序，选择分类正确率最高的参数组合作为模型的最优参数。

step3：将数据重新分成训练集与测试集，利用最优化参数模型训练模型，利用测试数据测试模型性能。

step4：基于训练样本对和训练得到的模型的最优参数，得到训练好的svm最优分类模型。

(3)结合交叉验证法与粒子群算法

粒子群(particleswarmoptimization，pso)算法原理如下：首先，pso初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pbest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gbest；其次，找到这两个最优值后，粒子根据如下公式8～9来更新自己的速度和位置。其中p是粒子当前的位置表示svm参数{c,γ}的当前取值，v∈[vmax，vmin]是粒子的速度，决定下一代{c,γ}的更新方向和大小，β称为约束因子，控制速度的权重，通常取1。c1，c2是学习因子，通常取c1＝c2＝2；r1，r2是介于(0，1)之间的随机数。最后，取效果最好的一对参数作为模型参数，参数寻优效果示意图如图7所示。pso是通过个体间的协作来寻找最优解，它的概念更简单，效率更高，更容易实现，具备强劲的全局搜索能力。

v＝w·v+c1r1(pbest-p)+c2r2(gbest-g)(8)

p＝p+β·v(9)

结合交叉验证法与粒子群算法进行参数寻优的步骤如下：

step1：读取样本数据，随机产生一组{c,γ}作为粒子的初始位置。

step2：把整个样本平均分割成k个互不包含的子集s1,s2,…,sk。

step3：根据当前的{c,γ}训练svm，计算k-fold交叉验证误差。

step3.1：初始化i＝1。

step3.2：si子集留作检验集,其余的子集合并起来作为训练集，训练svm。

step3.3：计算第i子集的泛化误差令i＝i+1，重复步骤3.2直到i＝k+1。

step3.4：计算k次泛化误差的平均值得到k一fold交叉验证误差。

step4：以k-fold交叉验证误差作为适应值,并记忆个体与群体所对应的最佳适应值的位置为pbest和gbest，根据式(8)、式(9)搜寻更好的{c,γ}。

step5：重复步骤2直到满足最大迭代次数。

step6：基于训练样本对和训练得到的模型的最优参数，得到训练好的svm最优分类模型。

在本发明实施例中，将当前计算得到的特征量输入到训练得到的各个svm内，就可以得到特征量在各个svm下的分类值，进而识别得到当前的脑电放松度。其中，本发明可实现多分类，即根据特征量输出不同的分类值(如五分类，对应输出1～5五个分类值)，每个分类值对应一个脑电放松度，如分别对应弱、较弱、中、较强、强五中放松度(放松程度依次增加)。

在本发明实施例中，可将提取得到的所有特征量分别输入到各个分类器，每个分类器都将识别得到一个分类值，在确定最终分类值时，将出现频率最高(或出现次数最多)的分类值设置为所述脑电切片信号的最终分类值，根据所述最终分类值与脑电放松度的对应关系，识别得到所述脑电切片信号的脑电放松度。

在本发明实施例中，在识别得到所述脑电切片信号的脑电放松度后，即可以根据识别得到的脑电放松度选择与所述脑电放松度对应的放松引导内容，以利用所述放松引导内容对用户进行放松引导，例如根据放松度能够精准地选取最适合用户的放松引导音乐，搭配耳机，播放给用户；同时伴随着基于放松度的放松引导内容播放音量调制，帮助使用者放松身心，缓解焦虑抑郁，陶冶情操、改善个性弱点、消除心理行为障碍、保持心理和躯体健康。

综上所述，本发明实施例提供的基于支持向量机的脑电放松度识别方法，通过从脑电切片信号中提取特征量，并由不同svm作为分类器对这些特征量进行识别，根据各个svm下识别得到的分类值获得所述脑电切片信号的最终分类值，从而识别得到所述脑电切片信号的脑电放松度。本发明实施例相对于由单一分类器识别得到的脑电放松度，稳定性更高，避免因外界环境的干扰或用户的生理波动对脑电放松度的识别结果，为生物反馈指导反馈治疗提供更准确的依据。

优选地，在步骤s101之前，还包括：

s01，对接收的用户的原始脑电信号进行切片，获得时间长度为30秒的脑电切片信号，并基于加权移动平均算法对所述脑电切片信号的各个时刻的脑电信号进行计算，得到去除低频直流信息后的脑电切片信号。

如图8所示，在本发明实施例中，所述脑电切片信号可通过对原始脑电信号进行切片获得。其中，所述原始脑电信号可通过脑电电极采集获得。一般地，脑电电极采集的原始脑电信号的持续时间比较长(如数小时甚至更长)，因此进行需要对原始脑电信号进行切片，例如，每个切片的片段为30秒，即每段所述脑电切片信号的长度为30秒。

在本优选实施例中，为了保证提取和滤波的效率和准确性，还可对脑电切片信号进行相应的预处理，例如，通过预处理去除脑电切片信号中的低频直流信息，以避免这些低频直流信息对脑电波提取的干扰。

在本优选实施例中，为了去除原始脑电切片信号中的低频直流信息，可基于加权移动平均算法对降采样后的原始脑电切片信号的各个时刻的脑电信号进行计算，得到所述脑电切片信号。具体地：

首先，基于当前的第j个时刻的脑电信号，获取所述原始脑电切片信号中的位于第(j-(n-1)/2)个时刻至第(j+(n-1)/2)个时刻之间的n个脑电信号的能量；其中，n为预设的影响数，且n为奇数，j为大于(n+1)/2的整数。

例如，假设当前要预测的脑电信号x(j)的时刻为第10个时刻(即j＝10)，影响数n为5，则对当前要预测的脑电信号有影响的脑电信号为第8个至第12个时刻的脑电信号，即x(8)～x(12)。此时，先获取这5个时刻的脑电信号的能量。

接着，根据预设的权值分布函数为获取的n个脑电信号的能量分配权值；其中，n个脑电信号的能量的权值之和为1。

在本优选实施例中，所述权值分布函数为正态分布函数，如可为：其中，w(i)为第i个时刻的脑电信号的权值，t(i)为第i个时刻的脑电信号的时间，τ表示需要放大的局部信息量。如图9所示，采用这种权值分布，避免了将第j点附近所有点都看成是一样的比重，而是按照距离(时间差)赋予其一个比重，实现局部信息量的放大，减弱了距离太远的信息对当前点的影响。

需要说明的是，在计算得到各个脑电信号的能量的权值后，还需要进行归一化，保证n个脑电信号的能量的权值之和为1。

然后，对所述n个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量。

即：

最后，依次对所述原始脑电切片信号的各个时刻的脑电信号的能量进行加权求和后，根据所有时刻的新的脑电信号的能量，生成脑电切片信号。

s02，以所述脑电切片信号为原始信号，以与所述脑电切片信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述脑电切片信号进行滤波，得到去除伪迹序列信号后的脑电切片信号。

在本优选实施例中，考虑到脑电切片信号中还包含有各种伪迹序列信号，如舌电伪迹，出汗伪迹，眼电伪迹，脉搏伪迹以及肌电伪迹等干扰。其中，以眼电伪迹和肌电伪迹难以去除的问题，这主要是由于其伪迹信号的幅值较高，是脑电信号的几倍甚至几十倍，而且与脑电信号在频域有混叠。

本优选实施例提出一种经函数链神经网络优化的自适应滤波器，滤除待处理脑电信号中的各种伪迹信号。

具体地，首先，构造自适应滤波器，其中自适应滤波器的原理框图如图10所示，其由原始信号(即所述脑电切片信号)和参考信号(与所述脑电切片信号同步采集得到的伪迹序列信号，如舌电伪迹，出汗伪迹，眼电伪迹，脉搏伪迹以及肌电伪迹中的任意一种)两个输入组成。滤波时，参考信号经自适应滤波后，与原始信号进行比较，得到所需脑电切片信号的预估信号(较为纯净的脑电切片信号)，其中，滤波器不断地自我重新调整其权值，从而使目标误差达到最小。

其次，将函数链神经网络(flnn)应用到自适应滤波器，利用一组正交基函数将原输入矢量进行维数扩展，将线性参数扩展为非线性，来增强自适应滤波器的非线性处理能力。flnn由函数扩展和单层感知器两部分组成，函数链神经网络的正交基采用切比雪夫正交多项式，如公式10所示。flnn的基函数t如公式11所示，网络输出如公式12所示，通过flnn实现了对输入的非线性扩展，更有助于描述脑电信号的非线性特性。

s03，对所述脑电切片信号再次进行切片，获得时间长度为6秒的脑电切片信号。

如图11所示，在进行上述的预处理后，还需要对30s的脑电切片信号再次进行切片操作，切片的移动窗口为6s，这是国际上通用的切片长度，能够更好地分析信号。

优选地，由于计算得到的特征量维度较多，因此考虑进行特征选择来降低识别所需的计算量。

具体地，在步骤s102之后，在步骤s103之前，还包括：

s106，结合方差分析和f检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量。

具体地：

首先，根据所述特征量、由标准设备同步采集得到的脑电放松度及预先拟合的与每个特征量对应的线性拟合曲线进行方差分析，计算得到每个特征量的拟合值与期望的平方和及原值与拟合值的平方和。

在本发明实施例中，在准备阶段，在采集脑电切片信号的同时，还会利用标准设备(如神念设备)同步采集脑电放松度作为标准的脑电放松度。这样当采集一系列脑电切片信号(a1，a2，a3…an)后，就可以同时得到一系列标准脑电放松度(y1，y2….yn)。其中，在采集脑电切片信号时，可从所述脑电切片信号提取多个特征量，例如，对于脑电切片信号a1，其可提取特征量(x11，x11，x11….)，对于脑电切片信号a2，其可提取特征量(x21，x21，x21….)。这样，对于同一种特征量(例如，这里设x11，x21，…xn1是同一种特征量)，可拟合出其与脑电放松度的函数关系，即对坐标点(x11，y1)、(x21，y2)、…(xn1，yn)进行拟合，这里假设放松度与特征量的关系均是线性关系的，因此每种特征量对应的线性拟合曲线可表示为yi＝xβi+εi。

在选取特征量阶段，在计算得到特征量后，将当前的所述特征量及由标准设备同步采集得到的脑电放松度代入到与每个特征量对应的线性拟合曲线中进行方差分析，即可分别计算得到对应的拟合值与期望的平方和(ssr)，原值与拟合值的平方和(sse)。

然后，根据拟合值与期望的平方和、原值与拟合值的平方和及自由度，计算得到每个特征量的显著性指标。

其中，显著性指标f＝msr/mse，且msr＝ssr/1；mse＝sse/n-2；其中，1和n-2表示自由度。

最后，根据每个特征量的显著性指标，选取出显著性指标大于预设阈值的特征量。

在本发明实施中，设定显著性指标的阈值fmin。选取所述特征量中，f>fmin的特征量作为需要输入的特征量。

本优选实施例中，结合方差分析与f检验对所述特征量进行选取，选出较为显著的特征，从而可以提高分类的精确度和速度。

需要说明的是，在本发明实施例中，考虑到选取出的特征量中仍然存在线性关联项，为了进一步降低特征量的维数，方便svm的分类，在步骤s106之后，还包括：

s107，基于主成分分析法对选取的所述特征量进行降维处理。

具体地，

首先，将所述特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理。

具体地，将所述特征量设置为输入样本空间x中的元素。对该样本空间x进行数据标准化处理具体为：

其中：

其中，xi'j是标准化后的新数据；mj、sj分别表示原始数据某一列的算术平均值和标准(偏)差。

然后，根据数据标准化处理后的所述输入样本空间得到协方差矩阵。

其中，协方差矩阵d＝x^tx，即：

其中：

其次，计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序。

其中，dp＝pλ(18)

当只考虑第j个特征值时，有dpj＝pjλj，即求解|d-λji|＝0。依次解出各个λ，并使其按大小顺序排列，即λ1≥λ2≥…,≥λp≥0；然后可求出各特征值对应的特征向量p，进而特征方程求解完成。

再次，获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根。

其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和。

具体计算时，依次计算单个主成分的贡献率并进行累计，根据累计贡献率确定主成分的个数m，从而确定所需要选取的主成分。贡献率的计算公式如公式19所述。累计贡献率即前m个贡献率的累积和，如公式20所示。所述阈值dmax一般取在85％～95％之间。根据上一步骤中的特征根排序可知，λ1≥λ2≥…,≥λp≥0，从前往后(也是从大到小)依次对特征根进行累加，当累计贡献率大于dmax时，停止计算，此时累计计算的特征根λ的数目为m，则只需要选取前m个主成分即可。

最后，根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。

其中，所述主成分得分矩阵

其中，该主成分得分矩阵t中的各个元素即为经过降维后的特征量。

需要说明的是，在本发明实施例中，还可计算主成分的载荷，其中，所述主成分载荷主要反映主成分得分与原变量xj的关联程度，计算公式为：得到各主成分的载荷以后，就可以知道选取的每一个主成分分别对应的原始特征，如有需要，可以根据原始特征的量纲转换回去。

请参阅图12，本发明还提供一种基于支持向量机的脑电放松度识别装置100，包括：

信号提取单元10，用于获取当前的脑电切片信号，并从所述脑电切片信号中提取出对应于各个脑电波的信号波。

特征量提取单元20，用于对所述信号波进行特征提取，获取每个所述信号波的特征量；

分类单元30，用于基于预先训练好的至少两个支持向量机对所述信号波的特征量进行分类，得到所述脑电切片信号在各个支持向量机下的分类值；其中，不同的支持向量机的误差惩罚参数和核函数的宽度参数由不同的参数寻优算法进行优化得到。

分类值确定单元40，用于对所述脑电切片信号在各个支持向量机下的分类值进行统计，并将出现频率最高的分类值设定为最终分类值。

脑电放松度识别单元50，用于根据所述最终分类值识别得到所述脑电切片信号的脑电放松度。

优选地，还包括：

加权移动平均单元，用于对接收的用户的原始脑电信号进行切片，获得时间长度为30秒的脑电切片信号，并基于加权移动平均算法对所述脑电切片信号的各个时刻的脑电信号进行计算，得到去除低频直流信息后的脑电切片信号；

自适应滤波单元，用于以所述脑电切片信号为原始信号，以与所述脑电切片信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述脑电切片信号进行滤波，得到去除伪迹序列信号后的脑电切片信号；

切片单元，用于对所述脑电切片信号再次进行切片，获得时间长度为6秒的脑电切片信号。

优选地，还包括：

特征选取单元，用于结合方差分析和f检验计算每个特征量的显著性指标，并选取显著性指标大于预设阈值的特征量。

其中，所述特征选取单元具体包括：

方差分析模块，用于根据所述特征量、由标准设备同步采集得到的脑电放松度及预先拟合的与每个特征量对应的线性拟合曲线进行方差分析，计算得到每个特征量的拟合值与期望的平方和及原值与拟合值的平方和；

显著性指标计算模块，用于根据拟合值与期望的平方和、原值与拟合值的平方和及自由度，计算得到每个特征量的显著性指标；

选取模块，用于根据每个特征量的显著性指标，选取出显著性指标大于预设阈值的特征量。

优选地，还包括：

降维单元，用于基于主成分分析法对所述特征量进行降维处理。

本发明实施例提供的基于支持向量机的脑电放松度识别装置100，通过从脑电切片信号中提取特征量，并由至少两个支持向量机作为分类器对这些特征量进行识别，根据各个支持向量机下识别得到的分类值获得所述脑电切片信号的最终分类值，从而识别得到所述脑电切片信号的脑电放松度。本发明实施例相对于由单一分类器识别得到的脑电放松度，稳定性更高，避免因外界环境的干扰或用户的生理波动对脑电放松度的识别结果，为生物反馈指导反馈治疗提供更准确的依据。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。